import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from plotly.subplots import make_subplots
from datetime import datetime
covid_df = pd.read_csv("D:/PROJECTS/Projects/covid-19 analysis/covid_19_india.csv")
covid_df.head()
| Sno | Date | Time | State/UnionTerritory | ConfirmedIndianNational | ConfirmedForeignNational | Cured | Deaths | Confirmed | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 1.0 | 2020-01-30 | 6:00 PM | Kerala | 1 | 0 | 0.0 | 0.0 | 1.0 |
| 1 | 2.0 | 2020-01-31 | 6:00 PM | Kerala | 1 | 0 | 0.0 | 0.0 | 1.0 |
| 2 | 3.0 | 2020-02-01 | 6:00 PM | Kerala | 2 | 0 | 0.0 | 0.0 | 2.0 |
| 3 | 4.0 | 2020-02-02 | 6:00 PM | Kerala | 3 | 0 | 0.0 | 0.0 | 3.0 |
| 4 | 5.0 | 2020-02-03 | 6:00 PM | Kerala | 3 | 0 | 0.0 | 0.0 | 3.0 |
covid_df.describe()
| Sno | Cured | Deaths | Confirmed | |
|---|---|---|---|---|
| count | 15086.000000 | 1.508600e+04 | 15086.000000 | 1.508600e+04 |
| mean | 7543.500000 | 1.747937e+05 | 2721.084449 | 1.942820e+05 |
| std | 4355.097416 | 3.648330e+05 | 7182.672358 | 4.095184e+05 |
| min | 1.000000 | 0.000000e+00 | 0.000000 | 0.000000e+00 |
| 25% | 3772.250000 | 1.685000e+03 | 12.000000 | 2.935500e+03 |
| 50% | 7543.500000 | 1.964700e+04 | 364.000000 | 2.608150e+04 |
| 75% | 11314.750000 | 2.087552e+05 | 2170.000000 | 2.216012e+05 |
| max | 15086.000000 | 4.927480e+06 | 83777.000000 | 5.433506e+06 |
vaccine_df = pd.read_csv("D:/PROJECTS/Projects/covid-19 analysis/covid_vaccine_statewise.csv")
vaccine_df
| Updated On | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total Individuals Vaccinated | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 16/01/2021 | India | 48276.0 | 3455.0 | 2957.0 | 48276.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 23757.0 | 24517.0 | 2.0 | 48276.0 |
| 1 | 17/01/2021 | India | 58604.0 | 8532.0 | 4954.0 | 58604.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 27348.0 | 31252.0 | 4.0 | 58604.0 |
| 2 | 18/01/2021 | India | 99449.0 | 13611.0 | 6583.0 | 99449.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 41361.0 | 58083.0 | 5.0 | 99449.0 |
| 3 | 19/01/2021 | India | 195525.0 | 17855.0 | 7951.0 | 195525.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 81901.0 | 113613.0 | 11.0 | 195525.0 |
| 4 | 20/01/2021 | India | 251280.0 | 25472.0 | 10504.0 | 251280.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 98111.0 | 153145.0 | 24.0 | 251280.0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 7840 | 11/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7841 | 12/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7842 | 13/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7843 | 14/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7844 | 15/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
7845 rows × 24 columns
vaccine_df.head()
| Updated On | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total Individuals Vaccinated | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 16/01/2021 | India | 48276.0 | 3455.0 | 2957.0 | 48276.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 23757.0 | 24517.0 | 2.0 | 48276.0 |
| 1 | 17/01/2021 | India | 58604.0 | 8532.0 | 4954.0 | 58604.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 27348.0 | 31252.0 | 4.0 | 58604.0 |
| 2 | 18/01/2021 | India | 99449.0 | 13611.0 | 6583.0 | 99449.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 41361.0 | 58083.0 | 5.0 | 99449.0 |
| 3 | 19/01/2021 | India | 195525.0 | 17855.0 | 7951.0 | 195525.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 81901.0 | 113613.0 | 11.0 | 195525.0 |
| 4 | 20/01/2021 | India | 251280.0 | 25472.0 | 10504.0 | 251280.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 98111.0 | 153145.0 | 24.0 | 251280.0 |
5 rows × 24 columns
covid_df.drop(["Sno","Time","ConfirmedIndianNational","ConfirmedForeignNational"], inplace= True, axis=1)
covid_df
| Date | State/UnionTerritory | Cured | Deaths | Confirmed | |
|---|---|---|---|---|---|
| 0 | 2020-01-30 | Kerala | 0.0 | 0.0 | 1.0 |
| 1 | 2020-01-31 | Kerala | 0.0 | 0.0 | 1.0 |
| 2 | 2020-02-01 | Kerala | 0.0 | 0.0 | 2.0 |
| 3 | 2020-02-02 | Kerala | 0.0 | 0.0 | 3.0 |
| 4 | 2020-02-03 | Kerala | 0.0 | 0.0 | 3.0 |
| ... | ... | ... | ... | ... | ... |
| 15109 | NaN | NaN | NaN | NaN | NaN |
| 15110 | NaN | NaN | NaN | NaN | NaN |
| 15111 | NaN | NaN | NaN | NaN | NaN |
| 15112 | NaN | NaN | NaN | NaN | NaN |
| 15113 | NaN | NaN | NaN | NaN | NaN |
15114 rows × 5 columns
covid_df.head()
| Date | State/UnionTerritory | Cured | Deaths | Confirmed | |
|---|---|---|---|---|---|
| 0 | 2020-01-30 | Kerala | 0.0 | 0.0 | 1.0 |
| 1 | 2020-01-31 | Kerala | 0.0 | 0.0 | 1.0 |
| 2 | 2020-02-01 | Kerala | 0.0 | 0.0 | 2.0 |
| 3 | 2020-02-02 | Kerala | 0.0 | 0.0 | 3.0 |
| 4 | 2020-02-03 | Kerala | 0.0 | 0.0 | 3.0 |
#active cases
covid_df['Active_cases'] = covid_df['Confirmed']-(covid_df['Cured'] + covid_df['Deaths'])
covid_df
| Date | State/UnionTerritory | Cured | Deaths | Confirmed | Active_cases | |
|---|---|---|---|---|---|---|
| 0 | 2020-01-30 | Kerala | 0.0 | 0.0 | 1.0 | 1.0 |
| 1 | 2020-01-31 | Kerala | 0.0 | 0.0 | 1.0 | 1.0 |
| 2 | 2020-02-01 | Kerala | 0.0 | 0.0 | 2.0 | 2.0 |
| 3 | 2020-02-02 | Kerala | 0.0 | 0.0 | 3.0 | 3.0 |
| 4 | 2020-02-03 | Kerala | 0.0 | 0.0 | 3.0 | 3.0 |
| ... | ... | ... | ... | ... | ... | ... |
| 15109 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15110 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15111 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15112 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15113 | NaN | NaN | NaN | NaN | NaN | NaN |
15114 rows × 6 columns
covid_df.tail()
| Date | State/UnionTerritory | Cured | Deaths | Confirmed | Active_cases | |
|---|---|---|---|---|---|---|
| 15109 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15110 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15111 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15112 | NaN | NaN | NaN | NaN | NaN | NaN |
| 15113 | NaN | NaN | NaN | NaN | NaN | NaN |
statewise = pd.pivot_table(covid_df, values = ["Confirmed", "Deaths","Cured"], index= "State/UnionTerritory", aggfunc = max)
statewise["Recovery Rate"]= statewise["Cured"]*100/statewise["Confirmed"]
statewise["Mortality Rate"]= statewise["Deaths"]*100/statewise["Confirmed"]
statewise = statewise.sort_values(by = "Confirmed", ascending = False)
statewise.style.background_gradient(cmap = "cubehelix")
| Confirmed | Cured | Deaths | Recovery Rate | Mortality Rate | |
|---|---|---|---|---|---|
| State/UnionTerritory | |||||
| Maharashtra | 5433506.000000 | 4927480.000000 | 83777.000000 | 90.686934 | 1.541859 |
| Karnataka | 2272374.000000 | 1674487.000000 | 22838.000000 | 73.688882 | 1.005028 |
| Kerala | 2200706.000000 | 1846105.000000 | 6612.000000 | 83.886944 | 0.300449 |
| Tamil Nadu | 1664350.000000 | 1403052.000000 | 18369.000000 | 84.300297 | 1.103674 |
| Uttar Pradesh | 1637663.000000 | 1483249.000000 | 18072.000000 | 90.571076 | 1.103524 |
| Andhra Pradesh | 1475372.000000 | 1254291.000000 | 9580.000000 | 85.015237 | 0.649328 |
| Delhi | 1402873.000000 | 1329899.000000 | 22111.000000 | 94.798246 | 1.576123 |
| West Bengal | 1171861.000000 | 1026492.000000 | 13576.000000 | 87.595030 | 1.158499 |
| Chhattisgarh | 925531.000000 | 823113.000000 | 12036.000000 | 88.934136 | 1.300443 |
| Rajasthan | 879664.000000 | 713129.000000 | 7080.000000 | 81.068340 | 0.804853 |
| Gujarat | 766201.000000 | 660489.000000 | 9269.000000 | 86.203098 | 1.209735 |
| Madhya Pradesh | 742718.000000 | 652612.000000 | 7139.000000 | 87.868074 | 0.961199 |
| Haryana | 709689.000000 | 626852.000000 | 6923.000000 | 88.327704 | 0.975498 |
| Bihar | 664115.000000 | 595377.000000 | 4039.000000 | 89.649684 | 0.608178 |
| Odisha | 633302.000000 | 536595.000000 | 2357.000000 | 84.729718 | 0.372176 |
| Telangana | 536766.000000 | 485644.000000 | 3012.000000 | 90.475924 | 0.561138 |
| Punjab | 511652.000000 | 427058.000000 | 12317.000000 | 83.466497 | 2.407300 |
| Telengana | 443360.000000 | 362160.000000 | 2312.000000 | 81.685312 | 0.521472 |
| Assam | 340858.000000 | 290774.000000 | 2344.000000 | 85.306491 | 0.687676 |
| Jharkhand | 320934.000000 | 284805.000000 | 4601.000000 | 88.742545 | 1.433628 |
| Uttarakhand | 295790.000000 | 214426.000000 | 5132.000000 | 72.492647 | 1.735015 |
| Jammu and Kashmir | 251919.000000 | 197701.000000 | 3293.000000 | 78.478003 | 1.307166 |
| Himachal Pradesh | 166678.000000 | 129330.000000 | 2460.000000 | 77.592724 | 1.475900 |
| Goa | 138776.000000 | 112633.000000 | 2197.000000 | 81.161728 | 1.583127 |
| Puducherry | 87749.000000 | 69060.000000 | 1212.000000 | 78.701752 | 1.381212 |
| Chandigarh | 56513.000000 | 48831.000000 | 647.000000 | 86.406667 | 1.144869 |
| Tripura | 42776.000000 | 36402.000000 | 450.000000 | 85.099121 | 1.051992 |
| Manipur | 40683.000000 | 33466.000000 | 612.000000 | 82.260404 | 1.504314 |
| Meghalaya | 24872.000000 | 19185.000000 | 355.000000 | 77.134931 | 1.427308 |
| Arunachal Pradesh | 22462.000000 | 19977.000000 | 88.000000 | 88.936871 | 0.391773 |
| Nagaland | 18714.000000 | 14079.000000 | 228.000000 | 75.232446 | 1.218339 |
| Ladakh | 16784.000000 | 15031.000000 | 170.000000 | 89.555529 | 1.012869 |
| Sikkim | 11689.000000 | 8427.000000 | 212.000000 | 72.093421 | 1.813671 |
| Dadra and Nagar Haveli and Daman and Diu | 9652.000000 | 8944.000000 | 4.000000 | 92.664733 | 0.041442 |
| Cases being reassigned to states | 9265.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 |
| Mizoram | 9252.000000 | 7094.000000 | 29.000000 | 76.675313 | 0.313446 |
| Andaman and Nicobar Islands | 6674.000000 | 6359.000000 | 92.000000 | 95.280192 | 1.378484 |
| Lakshadweep | 5212.000000 | 3915.000000 | 15.000000 | 75.115119 | 0.287797 |
| Unassigned | 77.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 |
| Daman & Diu | 2.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 |
#top 10 active cases states
top_10_active_cases = covid_df.groupby(by = 'State/UnionTerritory').max()[['Active_cases', 'Date']].sort_values(by = ['Active_cases'], ascending = False).reset_index()
top_10_active_cases
| State/UnionTerritory | Active_cases | Date | |
|---|---|---|---|
| 0 | Maharashtra | 701614.0 | 2021-05-19 |
| 1 | Karnataka | 605515.0 | 2021-05-19 |
| 2 | Kerala | 445692.0 | 2021-05-19 |
| 3 | Uttar Pradesh | 310783.0 | 2021-05-19 |
| 4 | Tamil Nadu | 242929.0 | 2021-05-19 |
| 5 | Rajasthan | 212753.0 | 2021-05-19 |
| 6 | Andhra Pradesh | 211554.0 | 2021-05-19 |
| 7 | Gujarat | 148297.0 | 2021-05-19 |
| 8 | West Bengal | 131948.0 | 2021-05-19 |
| 9 | Chhattisgarh | 131245.0 | 2021-05-19 |
| 10 | Haryana | 116867.0 | 2021-05-19 |
| 11 | Bihar | 115152.0 | 2021-05-19 |
| 12 | Madhya Pradesh | 111366.0 | 2021-05-19 |
| 13 | Delhi | 103424.0 | 2021-05-19 |
| 14 | Odisha | 95743.0 | 2021-05-19 |
| 15 | Telangana | 80695.0 | 2021-05-19 |
| 16 | Uttarakhand | 80000.0 | 2021-05-19 |
| 17 | Punjab | 79963.0 | 2021-05-19 |
| 18 | Telengana | 78888.0 | 2021-05-01 |
| 19 | Jharkhand | 61195.0 | 2021-05-19 |
| 20 | Jammu and Kashmir | 52848.0 | 2021-05-19 |
| 21 | Assam | 47740.0 | 2021-05-19 |
| 22 | Himachal Pradesh | 40008.0 | 2021-05-19 |
| 23 | Goa | 32953.0 | 2021-05-19 |
| 24 | Puducherry | 17666.0 | 2021-05-19 |
| 25 | Cases being reassigned to states | 9265.0 | 2020-07-18 |
| 26 | Chandigarh | 8653.0 | 2021-05-19 |
| 27 | Tripura | 7584.0 | 2021-05-19 |
| 28 | Manipur | 6605.0 | 2021-05-19 |
| 29 | Meghalaya | 5332.0 | 2021-05-19 |
| 30 | Nagaland | 4407.0 | 2021-05-19 |
| 31 | Sikkim | 3096.0 | 2021-05-19 |
| 32 | Arunachal Pradesh | 3068.0 | 2021-05-19 |
| 33 | Mizoram | 2158.0 | 2021-05-19 |
| 34 | Dadra and Nagar Haveli and Daman and Diu | 2081.0 | 2021-05-19 |
| 35 | Ladakh | 2041.0 | 2021-05-19 |
| 36 | Lakshadweep | 1438.0 | 2021-05-19 |
| 37 | Andaman and Nicobar Islands | 1154.0 | 2021-05-19 |
| 38 | Unassigned | 77.0 | 2020-04-03 |
| 39 | Daman & Diu | 2.0 | 2020-06-11 |
fig = plt.figure(figsize = (16, 9))
<Figure size 1600x900 with 0 Axes>
plt.title("Top 10 States with most Active cases in India", size = 25)
Text(0.5, 1.0, 'Top 10 States with most Active cases in India')
ax = sns.barplot(data = top_10_active_cases.iloc[:10], y = "Active_cases", x="State/UnionTerritory", linewidth = 2, edgecolor = 'red')
#top 10 active cases states
top_10_active_cases = covid_df.groupby(by = 'State/UnionTerritory').max()[['Active_cases', 'Date']].sort_values(by = ['Active_cases'], ascending = False).reset_index()
fig = plt.figure(figsize = (16, 9))
plt.title("Top 10 States with most Active cases in India", size = 25)
ax = sns.barplot(data = top_10_active_cases.iloc[:10], y = "Active_cases", x="State/UnionTerritory", linewidth = 2, edgecolor = 'red')
plt.xlabel("States")
plt.ylabel("Total Active Cases")
plt.show()
#top states with highest deaths
top_10_deaths = covid_df.groupby(by = 'State/UnionTerritory').max()[['Deaths', 'Date']].sort_values(by = ['Deaths'], ascending = False).reset_index()
fig = plt.figure(figsize = (18,5))
plt.title("Top 10 states with most Deaths", size = 25)
ax = sns.barplot(data = top_10_deaths.iloc[:12], y = "Deaths", x="State/UnionTerritory", linewidth = 2, edgecolor = 'black')
plt.xlabel("States")
plt.ylabel("Total Deaths")
plt.show()
#Growth trend
fig = plt.figure(figsize=(12, 6))
states = ['Maharashtra', 'Karnataka', 'Delhi', 'Tamil Nadu', 'Uttar Pradesh']
subset_df = covid_df[covid_df['State/UnionTerritory'].isin(states)]
ax = sns.lineplot(data=subset_df, x='Date', y='Active_cases', hue='State/UnionTerritory')
ax.set_title("Top 5 Affected States in INDIA", size=16)
plt.show()
vaccine_df.head()
| Updated On | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total Individuals Vaccinated | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 16/01/2021 | India | 48276.0 | 3455.0 | 2957.0 | 48276.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 23757.0 | 24517.0 | 2.0 | 48276.0 |
| 1 | 17/01/2021 | India | 58604.0 | 8532.0 | 4954.0 | 58604.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 27348.0 | 31252.0 | 4.0 | 58604.0 |
| 2 | 18/01/2021 | India | 99449.0 | 13611.0 | 6583.0 | 99449.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 41361.0 | 58083.0 | 5.0 | 99449.0 |
| 3 | 19/01/2021 | India | 195525.0 | 17855.0 | 7951.0 | 195525.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 81901.0 | 113613.0 | 11.0 | 195525.0 |
| 4 | 20/01/2021 | India | 251280.0 | 25472.0 | 10504.0 | 251280.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 98111.0 | 153145.0 | 24.0 | 251280.0 |
5 rows × 24 columns
vaccine_df.rename(columns ={'Updated On': 'vaccine_date'}, inplace = True)
vaccine_df.head(10)
| vaccine_date | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total Individuals Vaccinated | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 16/01/2021 | India | 48276.0 | 3455.0 | 2957.0 | 48276.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 23757.0 | 24517.0 | 2.0 | 48276.0 |
| 1 | 17/01/2021 | India | 58604.0 | 8532.0 | 4954.0 | 58604.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 27348.0 | 31252.0 | 4.0 | 58604.0 |
| 2 | 18/01/2021 | India | 99449.0 | 13611.0 | 6583.0 | 99449.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 41361.0 | 58083.0 | 5.0 | 99449.0 |
| 3 | 19/01/2021 | India | 195525.0 | 17855.0 | 7951.0 | 195525.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 81901.0 | 113613.0 | 11.0 | 195525.0 |
| 4 | 20/01/2021 | India | 251280.0 | 25472.0 | 10504.0 | 251280.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 98111.0 | 153145.0 | 24.0 | 251280.0 |
| 5 | 21/01/2021 | India | 365965.0 | 32226.0 | 12600.0 | 365965.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 132784.0 | 233143.0 | 38.0 | 365965.0 |
| 6 | 22/01/2021 | India | 549381.0 | 36988.0 | 14115.0 | 549381.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 193899.0 | 355402.0 | 80.0 | 549381.0 |
| 7 | 23/01/2021 | India | 759008.0 | 43076.0 | 15605.0 | 759008.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 267856.0 | 491049.0 | 103.0 | 759008.0 |
| 8 | 24/01/2021 | India | 835058.0 | 49851.0 | 18111.0 | 835058.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 296283.0 | 538647.0 | 128.0 | 835058.0 |
| 9 | 25/01/2021 | India | 1277104.0 | 55151.0 | 19682.0 | 1277104.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 444137.0 | 832766.0 | 201.0 | 1277104.0 |
10 rows × 24 columns
vaccine_df.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 7845 entries, 0 to 7844 Data columns (total 24 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 vaccine_date 7845 non-null object 1 State 7845 non-null object 2 Total Doses Administered 7621 non-null float64 3 Sessions 7621 non-null float64 4 Sites 7621 non-null float64 5 First Dose Administered 7621 non-null float64 6 Second Dose Administered 7621 non-null float64 7 Male (Doses Administered) 7461 non-null float64 8 Female (Doses Administered) 7461 non-null float64 9 Transgender (Doses Administered) 7461 non-null float64 10 Covaxin (Doses Administered) 7621 non-null float64 11 CoviShield (Doses Administered) 7621 non-null float64 12 Sputnik V (Doses Administered) 2995 non-null float64 13 AEFI 5438 non-null float64 14 18-44 Years (Doses Administered) 1702 non-null float64 15 45-60 Years (Doses Administered) 1702 non-null float64 16 60+ Years (Doses Administered) 1702 non-null float64 17 18-44 Years(Individuals Vaccinated) 3733 non-null float64 18 45-60 Years(Individuals Vaccinated) 3734 non-null float64 19 60+ Years(Individuals Vaccinated) 3734 non-null float64 20 Male(Individuals Vaccinated) 160 non-null float64 21 Female(Individuals Vaccinated) 160 non-null float64 22 Transgender(Individuals Vaccinated) 160 non-null float64 23 Total Individuals Vaccinated 5919 non-null float64 dtypes: float64(22), object(2) memory usage: 1.4+ MB
#missing values
vaccine_df.isnull().sum()
vaccine_date 0 State 0 Total Doses Administered 224 Sessions 224 Sites 224 First Dose Administered 224 Second Dose Administered 224 Male (Doses Administered) 384 Female (Doses Administered) 384 Transgender (Doses Administered) 384 Covaxin (Doses Administered) 224 CoviShield (Doses Administered) 224 Sputnik V (Doses Administered) 4850 AEFI 2407 18-44 Years (Doses Administered) 6143 45-60 Years (Doses Administered) 6143 60+ Years (Doses Administered) 6143 18-44 Years(Individuals Vaccinated) 4112 45-60 Years(Individuals Vaccinated) 4111 60+ Years(Individuals Vaccinated) 4111 Male(Individuals Vaccinated) 7685 Female(Individuals Vaccinated) 7685 Transgender(Individuals Vaccinated) 7685 Total Individuals Vaccinated 1926 dtype: int64
#drop some redundant columns
vaccination = vaccine_df.drop(columns=['Sputnik V (Doses Administered)','AEFI','18-44 Years (Doses Administered)','45-60 Years (Doses Administered)','60+ Years (Doses Administered)'], axis = 1)
vaccine_df
| vaccine_date | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total Individuals Vaccinated | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 16/01/2021 | India | 48276.0 | 3455.0 | 2957.0 | 48276.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 23757.0 | 24517.0 | 2.0 | 48276.0 |
| 1 | 17/01/2021 | India | 58604.0 | 8532.0 | 4954.0 | 58604.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 27348.0 | 31252.0 | 4.0 | 58604.0 |
| 2 | 18/01/2021 | India | 99449.0 | 13611.0 | 6583.0 | 99449.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 41361.0 | 58083.0 | 5.0 | 99449.0 |
| 3 | 19/01/2021 | India | 195525.0 | 17855.0 | 7951.0 | 195525.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 81901.0 | 113613.0 | 11.0 | 195525.0 |
| 4 | 20/01/2021 | India | 251280.0 | 25472.0 | 10504.0 | 251280.0 | 0.0 | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | 98111.0 | 153145.0 | 24.0 | 251280.0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 7840 | 11/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7841 | 12/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7842 | 13/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7843 | 14/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7844 | 15/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
7845 rows × 24 columns
#male vs female vaccination
male = vaccination["Male(Individuals Vaccinated)"].sum()
female = vaccination["Female(Individuals Vaccinated)"].sum()
px.pie(names=["Male","Female"], values=[male,female], title="Male and Female Vaccination")
male = vaccination["Male(Individuals Vaccinated)"].sum()
female = vaccination["Female(Individuals Vaccinated)"].sum()
Transgender = vaccination["Transgender(Individuals Vaccinated)"].sum()
px.pie(names=["Male","Female","Transgender"], values=[male,female,Transgender], title="Gender Vaccination")
#removing row where state= INDIA
vaccine = vaccine_df[vaccine_df.State !='India']
vaccine
| vaccine_date | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total Individuals Vaccinated | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 212 | 16/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 213 | 17/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 214 | 18/01/2021 | Andaman and Nicobar Islands | 42.0 | 9.0 | 2.0 | 42.0 | 0.0 | 29.0 | 13.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 42.0 |
| 215 | 19/01/2021 | Andaman and Nicobar Islands | 89.0 | 12.0 | 2.0 | 89.0 | 0.0 | 53.0 | 36.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 89.0 |
| 216 | 20/01/2021 | Andaman and Nicobar Islands | 124.0 | 16.0 | 3.0 | 124.0 | 0.0 | 67.0 | 57.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 124.0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 7840 | 11/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7841 | 12/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7842 | 13/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7843 | 14/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7844 | 15/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
7633 rows × 24 columns
vaccine.rename(columns = {"Total Individuals Vaccinated": "Total"}, inplace = True)
vaccine.head()
C:\Users\RAMYA\AppData\Local\Temp\ipykernel_7712\563876675.py:1: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
| vaccine_date | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 212 | 16/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 213 | 17/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 214 | 18/01/2021 | Andaman and Nicobar Islands | 42.0 | 9.0 | 2.0 | 42.0 | 0.0 | 29.0 | 13.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 42.0 |
| 215 | 19/01/2021 | Andaman and Nicobar Islands | 89.0 | 12.0 | 2.0 | 89.0 | 0.0 | 53.0 | 36.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 89.0 |
| 216 | 20/01/2021 | Andaman and Nicobar Islands | 124.0 | 16.0 | 3.0 | 124.0 | 0.0 | 67.0 | 57.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 124.0 |
5 rows × 24 columns
vaccine
| vaccine_date | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 212 | 16/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 213 | 17/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 214 | 18/01/2021 | Andaman and Nicobar Islands | 42.0 | 9.0 | 2.0 | 42.0 | 0.0 | 29.0 | 13.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 42.0 |
| 215 | 19/01/2021 | Andaman and Nicobar Islands | 89.0 | 12.0 | 2.0 | 89.0 | 0.0 | 53.0 | 36.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 89.0 |
| 216 | 20/01/2021 | Andaman and Nicobar Islands | 124.0 | 16.0 | 3.0 | 124.0 | 0.0 | 67.0 | 57.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 124.0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 7840 | 11/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7841 | 12/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7842 | 13/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7843 | 14/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7844 | 15/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
7633 rows × 24 columns
#most vaccinated state
max_vac = vaccine.groupby('State')['Total'].sum().to_frame('Total')
max_vac = max_vac.sort_values('Total', ascending = False)[:5]
max_vac
| Total | |
|---|---|
| State | |
| Maharashtra | 1.403075e+09 |
| Uttar Pradesh | 1.200575e+09 |
| Rajasthan | 1.141163e+09 |
| Gujarat | 1.078261e+09 |
| West Bengal | 9.250227e+08 |
fig = plt.figure(figsize = (10, 5))
plt.title("Top 5 Vaccinated states in India", size = 20)
x = sns.barplot(data = max_vac.iloc[:10], y= max_vac.Total, x= max_vac.index, linewidth=2, edgecolor='black')
plt.xlabel("States")
plt.ylabel("Vaccination")
plt.show()
# Find the states with the least total vaccination doses administered
least_vac = vaccine.groupby('State')['Total'].sum().to_frame('Total')
least_vac = least_vac.sort_values('Total', ascending=True)[:5]
least_vac
| Total | |
|---|---|
| State | |
| Lakshadweep | 2124715.0 |
| Andaman and Nicobar Islands | 8102125.0 |
| Ladakh | 9466289.0 |
| Dadra and Nagar Haveli and Daman and Diu | 11358600.0 |
| Sikkim | 16136752.0 |
fig = plt.figure(figsize = (10, 5))
plt.title("Least 5 Vaccinated states in India", size = 20)
x = sns.barplot(data = least_vac.iloc[:10], y= least_vac.Total, x= least_vac.index, linewidth=2, edgecolor='black')
plt.xlabel("States")
plt.ylabel("Vaccination")
plt.show()
vaccine
| vaccine_date | State | Total Doses Administered | Sessions | Sites | First Dose Administered | Second Dose Administered | Male (Doses Administered) | Female (Doses Administered) | Transgender (Doses Administered) | ... | 18-44 Years (Doses Administered) | 45-60 Years (Doses Administered) | 60+ Years (Doses Administered) | 18-44 Years(Individuals Vaccinated) | 45-60 Years(Individuals Vaccinated) | 60+ Years(Individuals Vaccinated) | Male(Individuals Vaccinated) | Female(Individuals Vaccinated) | Transgender(Individuals Vaccinated) | Total | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 212 | 16/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 213 | 17/01/2021 | Andaman and Nicobar Islands | 23.0 | 2.0 | 2.0 | 23.0 | 0.0 | 12.0 | 11.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 23.0 |
| 214 | 18/01/2021 | Andaman and Nicobar Islands | 42.0 | 9.0 | 2.0 | 42.0 | 0.0 | 29.0 | 13.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 42.0 |
| 215 | 19/01/2021 | Andaman and Nicobar Islands | 89.0 | 12.0 | 2.0 | 89.0 | 0.0 | 53.0 | 36.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 89.0 |
| 216 | 20/01/2021 | Andaman and Nicobar Islands | 124.0 | 16.0 | 3.0 | 124.0 | 0.0 | 67.0 | 57.0 | 0.0 | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | 124.0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 7840 | 11/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7841 | 12/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7842 | 13/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7843 | 14/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| 7844 | 15/08/2021 | West Bengal | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | ... | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
7633 rows × 24 columns
vaccine.to_excel('cleanedvaccinedata.xlsx')
covid_df.to_excel('cleaned_covid_india_data.xlsx')
state_column = vaccine['State']
# You can also access it using dot notation
# state_column = vaccine.State
# Now, you can print or work with the 'State' column
print(state_column)
212 Andaman and Nicobar Islands
213 Andaman and Nicobar Islands
214 Andaman and Nicobar Islands
215 Andaman and Nicobar Islands
216 Andaman and Nicobar Islands
...
7840 West Bengal
7841 West Bengal
7842 West Bengal
7843 West Bengal
7844 West Bengal
Name: State, Length: 7633, dtype: object